本文的分析基于《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》一文相关内容，但对其进行了深度的改良。

　　我们首先解读或者说翻译下这篇论文。

　　论文公布的时间是2005年了，已经是比较久远的了，我第一次看到该论文大概是在2014年，后面在2016年左右实现了该算法，这里还有当时开发留下的记录，居然是除夕左右做的。佩服自己。

 　　以前没有特别注意到该算法的效果，觉得也就那样吧，所以没有怎么去发挥它，但是，最近再次审视，发现他除了实现实现简单、速度快，而且还具有效果佳、适应性广、不破坏本身就光照好的位置等等众多优点，似乎比目前我看到的低照度增强算法都好。

　　算法本身的步骤分为三步，第一步是根据的图像亮度分布建立一个自适应的全局映射函数，这一步大大的提高了图像中暗部像素的像素值，同时也压缩了图像的动态范围。第二步是所谓的自适应对比度增强，根据像素领域内的平均值和像素值本身的比例，做一个映射，提高整体的对比度。后续还有一个步骤是颜色恢复的过程。

　　第一步的全局曲线调整如下所示：

　　首先计算出彩色图像的亮度值，这个其实可以有很多方式，包括常用的YUV空间的Y通道，HSL空间的L分量，甚至可以使用我提到的对比度保留去色那种方式获取，论文里使用的是最普通的计算公式：

　　我们把亮度归一化得到：

　　然后我们用下面这个传输函数（映射函数）来将亮度图像进行一个线性的增强：

 　　其中的参数Z值由图像本身的内容决定，如下所示：

　　式中的L表示亮度图像的累计直方图（CDF）达到0.1时的色阶值，也就是说如果亮度图像中90%的像素值都大于150，则Z=1，如果10%或者更多的像素值都小于50，则Z取值为0，否则其他情况Z则根据L的值线性插值。

　　稍作分析下，如果Z=0，说明图像中存在大量的偏暗像素，图像有必要变亮一些，如果Z=1，则说明图像已经很亮了，则此时图像无需继续加亮处理。介于两者之间时，我们也就做中和处理。

　　那么我们采用的传输函数是否能达到这种需求呢，我们来看下公式（3）的组成和曲线。

 　　以Z=0为例，如上图2所示，曲线6为公式（3）最后对应的结果。我们看看其组成。公式（3）的第一和第二部分对应图2中的曲线2和3，他们的和得到曲线4。曲线2中在低亮度区域的增强很显著，在高亮度区域逐渐变缓，曲线3是一个线性函数，随亮度增加线性的减少。公式（3）的第三部分对应曲线5，曲线4和曲线5累加后得到曲线6。可见最终的曲线在低亮度区域显著增强亮度，在高亮度区域缓慢增加亮度。当然这里也是可以采用其他具有类似作用的曲线的。

　　对于不同的Z值，图像给出了最终的相应曲线，可见，随着Z值的增加，曲线逐渐变为一条直线（不变化），而我们前面的自适应Z值计算的过程也随着图像亮度的增加而增加，也就是说如果图形原本就很亮，则Z值就越大，基本上图像就没什么调整了，这基本上就是自适应了。

　　第二步：自适应对比度增强。

　　经过第一步处理后，图像的亮度自适应的得到了增强，但是图像的对比度明显减少了。普通的全局对比度增强算法的过程是使亮的像素更亮，暗的像素更暗(似乎和第一步有点相反的感觉），这样图像的动态方范围就更广了，同时由于这种方法在处理不考虑领域的信息，对于那些领域和他只有细微的差异的像素，其细节很难得到有效提升。因此，我们需要考虑局部的对比度增强，这种增强下，不同位置相同像素值得像素在增强后可以得到不同的结果，因为他们一般会有不同的领域像素值。当当前像素值比周边像素的平均值大时，我们增大当前像素值，而当前像素值比周边像素平均值小时，我们减少它的值。这样的处理过程结果值和当前像素值的绝对值没有关系，至于领域信息有关了。这样，图像的的对比度和细节都能得到有效的提升，同时图像的动态范围也有得到有效的压缩。

　　通常，一个比较好的领域计算方式是高斯模糊，我们采用的计算公式如下所示：

　　式中，S(x,y)为对比度增强的结果。指数E(x,y)如下所示：

　　下标Conv表示卷积，注意这里是对原始的亮度数据进行卷积。P是一个和图像有关的参数，如果原始图像的对比度比较差，P应该是一个较大的值，来提高图像的整体对比度，我们通过求原始亮度图的全局均方差来决定P值的大小。

　　当全局均方差小于3时（说明图像大部分地方基本是同一个颜色了，对比度很差），此时P值取大值，当均方差大于10时，说明原图的对比度还是可以的，减少增强的程度，均方差介于3和10之间则适当线性增强。

 　　这个对比度增强的过程分析如下，

 　　当卷积值小于原始值时，也就是说中心点的亮度大于周边的亮度，此时E（x,y）必然小于1，由于I’（x,y）在前面已经归一化，他是小于或等于1的，此时式（7）

 的值必然大于原始亮度值，也就是亮的更亮（这里的亮不是说全局的亮，而是局部的亮）。如果卷积值大于原始值，说明中心点的亮度比周边的暗，此时E(x,y)大于1，导致处式（7）处理后的结果值更暗。

　　为了得到更好的对比度增强效果，我们一般都使用多尺度的卷积和增强，因为各个不同的尺度能带来不同的全局信息。一般来说，尺度较小时，能提高局部的对比度，但是可能整体看起来不是很协调，尺度较大时，能获得整体图像的更多信息，但是细节增强的力度稍差。中等程度的尺度在细节和协调方面做了协调。所以，一般类似于MSRCR，我们用不同尺度的数据来混合得到更为合理的结果。

　　尺度的大小，我们可以设置为固定值，比如5,20,120等，也可以根据图像的大小进行一个自适应的调整。

　　第三步：颜色恢复。

　　此步比较简单，一般就是使用下式：

 　　Lamda通常取值就为1，这样可以保证图像整体没有色彩偏移。

　　以上就是论文的主要步骤，按照这个步骤去写代码也不是一件非常困难的事情：